[論文レビュー] Deep CNNs for Peripheral Blood Cell Classification

Ekta Gavas, Kaustubh Olpadkar|arXiv (Cornell University)|Oct 18, 2021

Digital Imaging for Blood Diseases参考文献 30被引用数 8

ひとこと要約

本論文は、公に利用可能なデータセットを用いて、8種類の末梢血球を分類するための転移学習ベースの深層畳み込みニューラルネットワーク（CNN）手法を提案する。27の事前学習済みモデルを微調整し、データ拡張を適用することで、上位モデルのアンサンブルは99.51%の最先端の正確度を達成し、医療画像における自動血球分類の新しいベンチマークを設定した。

ABSTRACT

The application of machine learning techniques to the medical domain is especially challenging due to the required level of precision and the incurrence of huge risks of minute errors. Employing these techniques to a more complex subdomain of hematological diagnosis seems quite promising, with automatic identification of blood cell types, which can help in detection of hematologic disorders. In this paper, we benchmark 27 popular deep convolutional neural network architectures on the microscopic peripheral blood cell images dataset. The dataset is publicly available, with large number of normal peripheral blood cells acquired using the CellaVision DM96 analyzer and identified by expert pathologists into eight different cell types. We fine-tune the state-of-the-art image classification models pre-trained on the ImageNet dataset for blood cell classification. We exploit data augmentation techniques during training to avoid overfitting and achieve generalization. An ensemble of the top performing models obtains significant improvements over past published works, achieving the state-of-the-art results with a classification accuracy of 99.51%. Our work provides empirical baselines and benchmarks on standard deep-learning architectures for microscopic peripheral blood cell recognition task.

研究の動機と目的

• 8種類の末梢血球タイプの自動分類を目的としたエンドツーエンドのディープラーニングシステムの開発。
• 公に利用可能な末梢血球画像データセット上で、27の標準的な深層CNNアーキテクチャの性能を評価およびベンチマーク化すること。
• 過学習を軽減するために、転移学習とデータ拡張を用いて分類性能を向上させること。
• 今後の研究における医療画像解析分野のための実証的ベースラインと最先端の結果を確立すること。
• 手動による特徴量設計や複雑なハイブリッドアーキテクチャの必要性を排除すること。

提案手法

• ImageNetデータセットで事前学習された27のCNNアーキテクチャを、末梢血球分類のための微調整に用いる。
• 訓練中にデータ拡張技術を適用し、モデルの一般化性能を向上させ、過学習を低減する。
• 上位性能を示したモデルのアンサンブルを用いて、全体の分類正確度を向上させる。
• トップ-1およびトップ-5正確度、損失、混同行列といった標準的な指標を用いてモデルを評価する。
• 専門の病理医によってラベル付けされた80万枚以上の画像からなる大規模データセットを用いて、モデルの訓練および検証を行う。
• 交差エントロピー損失とAdam最適化アルゴリズムを用いた標準的なディープラーニングフレームワークを訓練に採用する。

実験結果

リサーチクエスチョン

• RQ1 どの深層CNNアーキテクチャが末梢血球分類タスクで最も優れた性能を示すか？
• RQ2 ImageNetからの転移学習は、限られたデータで医療画像分類の性能をどの程度向上させるか？
• RQ3 データ拡張は、血球分類において一般化性能を向上させ、過学習をどの程度低減するか？
• RQ4 上位性能を示したモデルのアンサンブルは、個々のモデルよりも正確性と頑健性に優れるか？
• RQ5 手動による特徴量設計なしに、このベンチマークデータセットで達成可能な最先端の性能は何か？

主な発見

• 上位モデルのアンサンブルは99.51%の分類正確度を達成し、新しい最先端の結果を設定した。
• Wide ResNet-50-2およびWide ResNet-101-2が、評価されたモデルの中で最高の個別正確度を示した。
• VGG-19およびResNet-34は強く優れた性能を示し、トップ-1正確度はそれぞれ98.78%および98.65%であった。
• データ拡張は、すべての上位モデルにおいて安定した訓練および検証曲線が得られたことから、モデルの一般化性能を顕著に向上させた。
• 混同行列からは、類似した細胞タイプ間での誤分類がほとんどなく、モデルの頑健性が高いことが示された。
• 本研究は、今後の自動末梢血球分類分野における信頼できるベンチマークを確立した。